Dify 中级实验（14）：对话变量与状态管理——如何让工作流记住多轮对话的状态？

Dify 中级实验（14）：对话变量与状态管理------如何让工作流记住多轮对话的状态？

Dify 实验系列 · 中级 14/20 | 实验编号：DIFY-102-15

上一篇：Dify 中级实验（13）：多 Agent 协作------如何编排多个智能体分工干活？

1. 实验目的

普通工作流每次执行都是「失忆」的：上一轮说了什么，这一轮全忘。本实验引入对话变量（Conversational Variables） ，构建一个跨轮次有状态的「多轮问卷收集系统」：逐步收集姓名/联系方式/年龄/使用场景，边问边记、按进度推进。练的是 Dify 变量体系（开始变量/节点变量/对话变量/环境变量）的作用域认知，以及「读 → 改 → 写回 → 持久化」的规范姿势。适合要做表单收集、多轮引导、客服工单类对话应用的同学。

2. 场景设计

「多轮问卷系统」（Chatflow / advanced-chat）：用户说「开始问卷」→ 助手逐步提问 5 步 → 用户回答 → 系统校验并记录 → 下一轮接着问 → 最后确认完成。这不是一次查询，而是一个有状态的对话流程。

三个关键认知：

对话变量只在对话型应用（advanced-chat/chatflow）有效，workflow 模式没有；
对话变量跨轮次持久化、按 session 隔离、服务端存储（类似 Web 的 Session 机制，客户端无法篡改）；
LLM 不能写变量------正确姿势是「代码节点读 → 改 → 返回 → 变量赋值器（Assigner）持久化」。

3. 节点拓扑

jinja2 复制代码

开始（无输入变量；声明 5 个对话变量）
  ↓
分析用户回复（LLM：读 {{#conversation.*#}}，输出 is_valid / extracted_info / next_action / message）
  ↓
更新对话变量（Code：合并新信息、推进/回退步骤、越界钳制、生成进度）
  ↓
持久化已收集信息（Assigner：conversation.collected_info ← cd_update.collected_info）
  ↓
持久化当前步骤（Assigner：conversation.current_step ← cd_update.current_step）
  ↓
直接回复（Answer：{{#cd_update.message#}}）

4. 关键配置

4.1 对话变量声明（开始节点）

yaml 复制代码

conversation_variables:
- id: b9d9cc2d-2843-420e-9f8d-7f7c8a66a4a1   # 必须是合法 UUID！
  name: collected_info
  value_type: object
  value: {}
- id: ca0ca474-becf-4284-bcde-03d30f6cf850
  name: current_step
  value_type: number
  value: 0
- id: 1f257899-86c4-446a-bfaa-3ab23ac13fb9
  name: total_steps
  value_type: number
  value: 5
- id: c9bfa3d7-9300-44e6-ab61-5949d8cd92ae
  name: conversation_history
  value_type: array[string]
  value: []
- id: 443a1074-97a1-41a6-bfe6-b46e1b7bbaf1
  name: validation_errors
  value_type: array[string]
  value: []

4.2 分析用户回复（LLM）------三花括号读对话变量

jinja2 复制代码

你是一个问卷助手，正在收集用户信息。

当前进度：第{{#conversation.current_step#}}步，共{{#conversation.total_steps#}}步
已收集的信息：{{#conversation.collected_info#}}
对话摘要历史：{{#conversation.conversation_history#}}
历史校验错误：{{#conversation.validation_errors#}}

问卷内容：
步骤1：收集姓名
步骤2：收集联系方式（邮箱或手机号）
步骤3：收集年龄范围
步骤4：收集使用场景
步骤5：确认信息

用户当前回复：{{#sys.query#}}

根据对话历史和当前回复，判断：
1. 用户是否回答了当前问题？
2. 提取新的信息（extracted_info 只放本轮新出现的字段）
3. 当前答案是否合理？

输出 JSON：
{
  "is_valid": true/false,
  "extracted_info": {"要更新的字段": "值"},
  "next_action": "ask_next" / "reask" / "confirm" / "complete",
  "message_to_user": "对用户说的话"
}

4.3 更新对话变量（Code）

python 复制代码

def main(current_step: int, collected_info: dict, llm_text: str, total_steps: int) -> dict:
    import json, re
    step = int(current_step) if str(current_step).isdigit() else 0
    total = max(int(total_steps), 1) if str(total_steps).isdigit() else 5
    info = collected_info if isinstance(collected_info, dict) else {}
    analysis = {}
    m = re.search(r'\{.*\}', (llm_text or "").strip(), re.DOTALL)
    if m:
        try:
            analysis = json.loads(m.group(0))
        except Exception:
            analysis = {}
    new_info = analysis.get("extracted_info", {})
    if isinstance(new_info, dict):
        for k, v in new_info.items():
            if v and k not in info:          # 不覆盖已有信息
                info[k] = v
    action = analysis.get("next_action", "reask")
    if action == "ask_next":
        step += 1
    elif action == "complete":
        step = total
    step = max(0, min(step, total))          # 越界钳制
    progress = "步骤 {}/{}".format(step, total)
    message = analysis.get("message_to_user") or "请输入信息（{}）".format(progress)
    return {"collected_info": info, "current_step": step, "last_action": action,
            "progress_pct": round(step / total * 100), "message": message}

4.4 持久化：变量赋值器（Assigner）

代码节点只是「算出了新值」，必须显式写回对话变量才会跨轮生效。新版 Dify 用 Assigner 节点（旧版在结束节点做输出映射------漏掉这步，变量永远不更新）：

yaml 复制代码

- data:
    assigned_variable_selector: [conversation, collected_info]   # 写回目标（对话变量）
    input_variable_selector: [cd_update, collected_info]          # 值来源（代码节点输出）
    write_mode: over-write
    title: 持久化已收集信息
    type: assigner
  id: asg_info

答案节点直接回复 {``{#cd_update.message#}}，一轮闭环完成。

5. 运行验证

输入	预期	实测
开始问卷	欢迎语，询问姓名	助手回复「请输入您的姓名」
张三	记录姓名，询问联系方式	current_step 1→2，collected_info 含 name
zhangsan@email.com	记录邮箱，询问年龄	逐步推进，信息不丢失
25-30	记录年龄，询问场景	collected_info 累积 3 项
主要用于客户管理	进入确认环节，回显全部信息	汇总展示姓名/邮箱/年龄/场景
确认无误	问卷完成，进度 100%	current_step=5，回复完成语
（刷新页面后继续同会话）	状态保持	对话变量跨轮持久化，未归零

6. 采坑点

坑	现象	修复
对话变量 id 不是 UUID	保存/运行报 SQL 500 错误	id 必须是合法 UUID（如 b9d9cc2d-2843-420e-9f8d-7f7c8a66a4a1）
代码节点算完不持久化	每轮变量都回到初始值，问卷永远停在第一步	用 Assigner 节点（或结束节点映射）显式写回对话变量（实验文档设计约束）
想在 LLM 节点里直接改对话变量	改不动/行为异常	LLM 只读，写操作统一走「代码节点算值 → Assigner 落盘」（实验文档设计约束）
在 workflow（非对话型）里找对话变量	根本没有这个配置项	对话变量仅 advanced-chat/chatflow 支持（实验文档设计约束）
extracted_info 覆盖已有字段	用户改口后旧值被新值覆盖	合并逻辑加「已存在则不覆盖」保护（实验文档设计约束）

7. 实验文档及源码获取

实验文档 （完整操作步骤）：DIFY-15：对话变量与状态管理.md
源码（可直接导入）：dify102_15_对话问卷系统.yml

文章聚焦核心配置与采坑点；实验的完整分步操作（节点搭建/参数表/调试指引）见实验文档原文。

下一篇：Dify 中级实验（15）：条件分支高阶策略------多条件路由如何避免分支爆炸？